RVC 语音转换上手指南：用 10 分钟数据训练一个可用音色

RVC 语音转换上手指南用 10 分钟数据训练一个可用音色【免费下载链接】Retrieval-based-Voice-Conversion-WebUIEasily train a good VC model with voice data 10 mins!项目地址: https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI如果只想把一段口播或歌声换成另一个音色而没空从零搭环境Retrieval-based-Voice-Conversion-WebUI下称 RVC是一个值得先看的项目。它是基于检索的开源 RVC 语音转换框架用不超过 10 分钟的目标音色数据训练出音色模型再把任意输入音频转成该音色全程有网页界面也提供命令行。项目定位RVC 是什么解决什么问题RVC 是一个基于 VITS 的语音转换Voice Conversion框架核心思路是用 top1 检索把输入特征替换成训练集里最接近的特征从而抑制“音色泄露”——即输出音色被底模或输入源带偏的现象。底模用约 50 小时的开源 VCTK 数据预训练所以你在本地只需微调少量数据即可拿到不错的结果。它面向三类人想给自己或角色做一个专属音色、又不想折腾训练流程的用户需要批量把一段录音统一成目标音色的创作者以及想研究“检索式音色迁移”如何工作的开发者。消费级显卡即可训练也支持 AMD/Intel 加速。RVC 安装步骤与首次启动整个闭环最少要四步装依赖、下预训练模型、装 ffmpeg、启动 WebUI。环境要求 Python 3.8 及以上。克隆仓库并安装依赖按显卡选一个 requirements 文件git clone https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI cd Retrieval-based-Voice-Conversion-WebUI pip install -r requirements.txtNvidia 显卡requirements.txtAMD/IntelDirectMLWindowsrequirements-dml.txtAMD ROCmLinuxrequirements-amd.txtIntel IPEXLinuxrequirements-ipex.txtMacOS直接sh ./run.sh会自动建虚拟环境并装好依赖下载推理/训练所需的预训练模型HuBERT、RMVPE、UVR5 人声分离、v1/v2 底模等脚本会放进assets/对应目录python tools/download_models.py安装 ffmpeg训练与推理都要读音频Ubuntu/Debian 用sudo apt install ffmpegMacOS 用brew install ffmpegWindows 把ffmpeg.exe、ffprobe.exe放到项目根目录。首次运行打开训练推理界面python infer-web.py默认监听 7865 端口DirectML 用户加--dml启动。注意首次启动会把configs/下的配置复制到configs/inuse/后续改参数改inuse里的那份。核心功能训练、实时变声与批量推理训练与推理 WebUI一句话能力在一个网页里完成预处理、训练、建索引和音色推理。启动方式就是上面的python infer-web.py。关键注意实验的中间产物都落在logs/实验名/下真正可分享的小模型要单独提取见实战与下一节。实时变声一句话能力把麦克风输入实时转成目标音色端到端延迟约 170ms配 ASIO 声卡可压到 90ms。Windows 双击go-realtime-gui.bat其他系统运行python gui_v1.py。关键注意低延迟强依赖声卡驱动与显存直播场景建议专业声卡并关闭无关后台。命令行与批量推理一句话能力不打开网页用脚本做单条和批量转换。单条用 tools/infer_cli.py批量用 tools/infer_batch_rvc.py两者参数一致。关键注意都要求--model_name音色模型和--index_path索引文件同时给出否则检索环节缺数据。人声伴奏分离一句话能力内置 UVR5 模型快速把歌曲拆成人声和伴奏为训练准备干净的人声素材。在 WebUI 的人声分离选项卡里选择assets/uvr5_weights/下的模型即可。关键注意分离结果只做人声提取别把带伴奏的整曲直接拿去训练。模型融合一句话能力把两个音色模型按比例混合得到新的中间音色。入口是 ckpt 选项卡里的 ckpt-merge。关键注意融合对象是weights/下提取出的小模型而不是logs/里的完整权重。实战案例训练一个音色并完成一次转换以“用自己 10 分钟录音做音色”为例第一视角走一遍。准备素材找 10 分钟左右、底噪低、无背景音乐和混响的音频wav/mp3 均可放进一个独立文件夹路径里尽量别有空格或中文否则 ffmpeg 读取容易报错。启动python infer-web.py进入训练选项卡填一个实验名勾选“是否考虑音高”要唱歌就勾指定上一步的音频文件夹。点“一键训练”。它会依次做预处理约 4 秒一段、0.3 秒重叠的切片、去噪、转 16k、提取音高与 HuBERT 256 维特征、基于底模微调、最后用 faiss 建索引产物写到logs/实验名/含G_*.pth、D_*.pth与added_*.index。提取可分享的小模型在 ckpt 选项卡做“ckpt 小模型提取”指定 G 开头的权重文件weights/下会生成约 60MB 的 pth。这一步很关键——logs/里几百 MB 的 pth 是用来复现/续训的不能直接拿去推理。完成一次转换两种方式任选WebUI 推理选项卡选中刚提取的小模型上传要转换的音频设好参数生成输出。命令行python tools/infer_cli.py --model_name weights/我的音色.pth \ --input_path in.wav --index_path logs/实验名/added_*.index \ --f0method rmvpe --index_rate 0.66 --opt_path out.wav到这里从素材到成品音色的一次完整闭环就跑通了。变声效果调优关键推理参数说明只列真正影响听感与速度的参数默认值来自 infer_cli 与 faq参数作用建议取值f0up_key整体音高偏移半音数0 为不变升降调按需要设跨性别一般 ±12 左右index_rate检索混合比例抑制音色泄露0~1推荐 0.5~0.7调低更防“串味”调高更贴训练集音色f0method音高提取算法rmvpe 效果最佳harvest 稳定pm 偏快filter_radius滤波半径默认 3resample_sr输出重采样率0 表示跟随模型采样率rms_mix_rate响度混合比例默认 1protect保护系数默认 0.33total_epoch训练轮数数据音质差 20~30 足够数据好且时长多可到 200batch_size训练批大小显存不够时调小推理侧显存吃紧时configs/config.py 会按显存自动选择x_pad/x_query/x_center/x_max手动调整前建议先看日志里的精度提示老卡会自动回退 fp32。常见问题安装、运行与效果排查安装类依赖冲突或llvmlite.dll报错安装 VC 运行库后重启 WebUI 即可。ffmpeg 报 error / utf8 error多半是音频路径含空格、括号或中文把素材移到干净路径再试。运行类CUDA OOM显存不足训练调小 batch_size推理调小x_pad/x_query/x_center/x_max4G 以下显存基本不建议跑。WebUI 打不开 / Connection Error确认终端控制台没被关掉端口默认 7865可用--port改。一键训练后没有索引文件训练集过大可能卡在加索引步骤重新点一次“训练索引”即可。效果类音色不像、被输入源带偏把 index_rate 调到 0.5~0.7根源仍是训练数据质量优先保证低噪、单音色统一。出现哑音把音高提取算法换成 rmvpe。更多细节可查 中文 FAQ 与 更新日志推理链路可看 infer/ 源码。延伸方向与合规提示跑通第一个音色后建议按这个顺序继续用 tools/export_onnx.py 把模型导出为 ONNX 以降低部署依赖在 v2 底模assets/pretrained_v2上对比 v1 的听感差异最后接入实时变声把音色落到直播或语音聊天场景。合规提示请仅将本工具用于合法合规用途尊重他人声音、版权与隐私不用于冒充本人或未经授权的配音。【免费下载链接】Retrieval-based-Voice-Conversion-WebUIEasily train a good VC model with voice data 10 mins!项目地址: https://gitcode.com/GitHub_Trending/re/Retrieval-based-Voice-Conversion-WebUI创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考